Outils pour utilisateurs
manuel_digital_history:numerisation_ocrisation
Différences
Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
|
manuel_digital_history:numerisation_ocrisation [2020/01/22 10:31] Pierre Vernus |
manuel_digital_history:numerisation_ocrisation [2020/03/28 17:57] (Version actuelle) Pierre Vernus |
||
|---|---|---|---|
| Ligne 1: | Ligne 1: | ||
| - | =======Acquisition de données====== | + | [[[[manuel_digital_history:accueil|retour vers l'accueil du manuel]] |
| + | |||
| + | =======Numérisation et OCRisation====== | ||
| ===== Du document à l'image puis au texte ===== | ===== Du document à l'image puis au texte ===== | ||
| Ligne 38: | Ligne 40: | ||
| - | Cette étape vise à améliorer l'image qi fera l'objet d'une ROC. | + | Cette étape vise à améliorer l'image qui fera l'objet d'une ROC. |
| Ligne 83: | Ligne 85: | ||
| Pour faire le lien entre le texte de l'entrée de la table des matières, contenu dans la balise _seg_, et la page du document numérique, il faut exploiter les attributs de la balise _xref_ et notamment l'attribut _from_. | Pour faire le lien entre le texte de l'entrée de la table des matières, contenu dans la balise _seg_, et la page du document numérique, il faut exploiter les attributs de la balise _xref_ et notamment l'attribut _from_. | ||
| + | === Récupérer une image HD === | ||
| + | |||
| + | Une première méthode consiste à utiliser l'url, par exemple celle le *Plan de Lyon, de ses environs et des forts* dressé par L. Dignoscyo en 1835 a l'url suivant : | ||
| + | |||
| + | https://gallica.bnf.fr/ark:/12148/btv1b53035185s | ||
| + | |||
| + | Pour obtenir une image haute définition il faut modifier l'url de la façon suivante : | ||
| + | |||
| + | * insérer **iiif** entre //gallica.bnf.fr// et //ark:// | ||
| + | * ajouter après l'identifiant ark du document (_12148/btv1b53035185s_) **/f1/full/full/O/native.jpg** | ||
| + | |||
| + | Ce qui donne : https://gallica.bnf.fr/iiif/ark:/12148/btv1b53035185s/f1/full/full/0/native.jpg | ||
| + | |||
| + | Cette image pourra être ensuite géoréférencée. | ||
| + | |||
| + | Plus simplement, il existe une extension de Chrome (ou Chromium) ou Firefox nommée [**IIF-Download**](http://www.geobib.fr/tool/iiif/) qui permet en un clic de récupérer l'image HD d'un document. | ||
| + | |||
| + | === Récupérer des images en masse === | ||
| + | |||
| + | Pour récupérer un lot d'images (par exemple celles d'un livre) il existe un ensemble de scripts Python nommé **Pyllica** - information [[https://github.com/Dorialexander/Pyllica|ici]] et [là](https://prelia.hypotheses.org/441) - utilisant [Beautifullsoup](https://www.crummy.com/software/BeautifulSoup/) une bibliothèque Python qui permet de récupérer des données à partir de fichiers HTML ou XML | ||
| + | |||
| + | |||
| + | |||
| + | Par exemple pour récupérer les images de [Pariset E., La Chambre de commerce de Lyon : étude faite sur les registres de ses délibérations. II. Dix-neuvième siècle, Lyon, 1889](https://gallica.bnf.fr/ark:/12148/bpt6k97813640) évoqué plus haut nous utiliserons les scripts //pyllicalabsjpg.py// et //actionpyllicalabsjpg.py// que nous modifierons comme ci-dessous : | ||
| + | |||
| + | Il faut copier le premier script python dans le dossier dans lequel on veut télécharger les images. Il faut ensuite définir ce dossier comme son répertoire de travail courant. Ici la définition d'image demandée est 3000. On peut la modifier. Par exemple pour avoir une résolution de 5000 il suffit de remplacer 3000 par 5000 dans l'expression full/3000/0/native.png. Pour obtenir la qualité maximale disponible, il faut remplacer 3000 par _full_ (full/full/0/native.png.). Attention : on a bien deux fois "full". On peut aussi télécharger les images dans un autre format (png ou tif) en remplaçant "jpg" par "png" ou "tif" à la fin de l’adresse et du format de fichier créé comme ceci : | ||
| + | |||
| + | <code> | ||
| + | for page in listpage: | ||
| + | jpgfile = title + "_" + str(page) + ".png" | ||
| + | url = 'http://gallicalabs.bnf.fr/iiif/ark:' + identifier + '/f' + str(page) + '/ful/3000/0/native.png' | ||
| + | urllib.request.urlretrieve(url, jpgfile) | ||
| + | </code> | ||
| + | |||
| + | Ensuite il faut utiliser le script suivant où : | ||
| + | |||
| + | * **identifier** nous indiquons l'identifiant ark du document | ||
| + | * **title** nous indiquons un titre qui sera celui des fichiers images récupérés | ||
| + | * **firstpage** le numéro de la première vue que l'on veut charger. Par exemple ici nous commencerons à 9 car les précédentes sont des vues de la couverture et de pages blanches. Le numéro de la vue apparaît dans l'url de la page lorsqu'on consulte un document. | ||
| + | * **lastpage** le numéro de la dernière vue à charger. Ici 273. | ||
| + | | ||
| + | La durée du téléchargement peu pendre du temps, en fonction de la taille de l'ouvrage et de la qualité de la connexion. | ||
| + | |||
| + | ==== Reconnaissance de caractères===== | ||
| + | |||
| + | |||
| + | Disposer des images de scan du document peut être utile afin de pouvoir retravailler ces images en vue d'obtenir une ROC de meilleure qualité. | ||
| + | |||
| + | Pour ce faire il est possible d'utiliser | ||
| + | |||
| + | * l'outil Sharedoc mis à disposition par la TGIR Huma-Num qu'il est possible de combiner avec un outil de ROC (ABBY). | ||
| + | * Un autre outil de ROC libre comme [tesseract](https://github.com/tesseract-ocr/tesseract). Intialement développépar Hewlet-Packard son code source a été rendu publique en 2005. Depuis 2006, il est maintenu par Google. Une introduction rapide est disponible [ici](https://medium.com/better-programming/beginners-guide-to-tesseract-ocr-using-python-10ecbb426c3d). | ||
| + | |||
| + | **A COMPLETER** | ||
manuel_digital_history/numerisation_ocrisation.1579685461.txt.gz · Dernière modification: 2020/01/22 10:31 par Pierre Vernus
